我正在尝试通过TensorFlow的tf.nn.embedding_lookup()函数从头开始学习IMDB数据集的词表示。如果我理解正确的话，我需要在其他隐藏层之前设置一个嵌入层，然后在执行梯度下降时，该层将会在其权重中“学习”到词的表示。然而，当我尝试这样做时，我的嵌入层与网络的第一个全连接层之间出现了形状错误。
def multilayer_perceptron(_X, _weights, _biases):
with tf.device('/cpu:0'), tf.name_scope("embedding"):
W = tf.Variable(tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0),name="W")
embedding_layer = tf.nn.embedding_lookup(W, _X)
layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(embedding_layer, _weights['h1']), _biases['b1']))
layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, _weights['h2']), _biases['b2']))
return tf.matmul(layer_2, weights['out']) + biases['out']
x = tf.placeholder(tf.int32, [None, n_input])
y = tf.placeholder(tf.float32, [None, n_classes])
pred = multilayer_perceptron(x, weights, biases)
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred,y))
train_step = tf.train.GradientDescentOptimizer(0.3).minimize(cost)
init = tf.initialize_all_variables()我得到的错误是：
ValueError: Shapes TensorShape([Dimension(None), Dimension(300), Dimension(128)])and TensorShape([Dimension(None), Dimension(None)]) must have the same rank回答：
形状错误的原因是您使用了一个二维张量x来索引一个二维嵌入张量W。可以将tf.nn.embedding_lookup()（及其近亲tf.gather()）视为将x中的每个整数值i替换为W[i, :]行。从错误消息中可以推断出n_input = 300和embedding_size = 128。一般来说，tf.nn.embedding_lookup()的结果维数等于rank(x) + rank(W) - 1…在这种情况下，为3。当您尝试将此结果乘以_weights['h1']（这是一个二维矩阵）时，就会出现错误。
要修复此代码，取决于您试图做什么，以及为什么要将输入矩阵传递给嵌入。一个常见的做法是使用像tf.reduce_sum()这样的操作，将每个输入示例的嵌入向量聚合成每示例一行的单个行。例如，您可以这样做：
W = tf.Variable(
tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0) ,name="W")
embedding_layer = tf.nn.embedding_lookup(W, _X)
# 沿着维度1（`n_input`）进行聚合，以获得每个输入示例的单个向量（行）。
embedding_aggregated = tf.reduce_sum(embedding_layer, [1])
layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(
embedding_aggregated, _weights['h1']), _biases['b1'])) 